DB-VIO: 視覚・慣性表現を強化した二分岐型視覚慣性オドメトリ

DB-VIOは、学習ベースのVisual Inertial Odometry (VIO)フレームワークであり、6-DoFのモーション推定を高精度に行う。従来の単一の時間モデルによる全姿勢推定の限界を克服するため、回転と並進を分離したデュアルブランチ構造を採用し、視覚特徴にdepth cuesを統合して単眼視覚の幾何学的構造を強化し、IMU特徴に明示的なintegrated-attitude priorを注入して回転関連の手がかりを強化する。これにより、回転と並進の異なるダイナミクスを個別にモデル化し、自律走行や空中ロボットのベンチマークで最先端の性能を達成する。

先行研究の学習ベースVIOは、視覚と慣性の統一表現と単一の時間モデルを用いて全姿勢を推定しており、回転と並進の異なるダイナミクスを十分に捉えられない。また、単眼視覚特徴は幾何学的構造が乏しく、生のIMUエンコーディングは回転運動学を暗黙的にしか含まず、回転関連の手がかりが弱い。DB-VIOは、depth cuesとintegrated-attitude priorを導入し、ポーズ推定を回転・並進の専用ブランチに分離することで、これらの問題を解決し、KITTIで20%、EuRoCで33%のベースライン改善を達成した点が優れている。

手法の核は、デュアルブランチアーキテクチャと強化された視覚慣性表現にある。具体的には、単眼画像にdepth cuesを統合して視覚特徴の幾何学的情報を強化し、IMUデータに明示的なintegrated-attitude priorを注入して回転関連の特徴を強化する。そして、ポーズ推定を回転専用ブランチと並進専用ブランチに分離し、それぞれに時間モデルを適用することで、回転と並進の異なるダイナミクスを個別にモデル化する。

自律走行ベンチマークのKITTIと空中ロボットベンチマークのEuRoCで実験を行い、既存のベースラインと比較した。その結果、KITTIで20%、EuRoCで33%の性能改善を達成し、特にEuRoCの敏捷なモーションパターンでは、回転メトリックで65.7%の改善を達成した。これにより、異なるプラットフォームとモーションシナリオでの有効性と一般化が示された。

要旨からは、議論や限界についての詳細は不明。ただし、提案手法が回転と並進を分離することで性能が向上したことから、従来の統一表現の限界が示唆される。また、depth cuesの取得方法や、計算コスト、実時間性などについては要旨に記載がないため不明。

要旨で参照されている先行研究や関連手法は明示されていないが、学習ベースVIOの分野では、DeepVIO、VINet、TLIOなどの手法が関連する。また、visual-inertial representationの強化やデュアルブランチ構造に関連する研究として、DROID-SLAMやORB-SLAM3などの古典的VIO手法も参考になる。